Heteroskedastizität bezieht sich auf Situationen, in denen die Varianz der Residuen über einen Bereich von gemessenen Werten ungleich ist. Beim Ausführen einer Regressionsanalyse führt die Heteroskedastizität zu einer ungleichen Streuung der Residuen (auch als Fehlerterm bekannt).
Wie entsteht Heteroskedastizität?
In der Statistik tritt Heteroskedastizität (oder Heteroskedastizität) auf, wenn die Standardabweichungen einer vorhergesagten Variablen, überwacht über verschiedene Werte einer unabhängigen Variablen oder bezogen auf frühere Zeiträume, nicht konstant sind. … Heteroskedastizität tritt oft in zwei Formen auf: bedingt und unbedingt.
Was passiert bei Heteroskedastizität?
Wenn Heteroskedastizität in einer Regressionsanalyse vorhanden ist, wird es schwierig, den Ergebnissen der Analyse zu vertrauen. Insbesondere die Heteroskedastizität erhöht die Varianz der Schätzungen der Regressionskoeffizienten, aber das Regressionsmodell greift dies nicht auf.
Wie wirkt sich Heteroskedastizität auf das Testen von Hypothesen aus?
Die Heteroskedastizität wirkt sich auf zwei Arten auf die Ergebnisse aus: Der OLS-Schätzer ist nicht effizient (er hat keine minimale Varianz). … Die in der SHAZAM-Ausgabe gemeldeten Standardfehler nehmen keine Anpassung für die Heteroskedastizität vor – daher können falsche Schlussfolgerungen gezogen werden, wenn sie in Hypothesentests verwendet werden.
Wie wird Heteroskedastizität behandelt?
Gewichtetregression Die Idee ist, Beobachtungen, die mit höheren Varianzen verbunden sind, kleine Gewichte zu geben, um ihre quadrierten Residuen zu verkleinern. Die gewichtete Regression minimiert die Summe der gewichteten quadrierten Residuen. Wenn Sie die richtigen Gewichte verwenden, wird Heteroskedastizität durch Homoskedastizität ersetzt.
